Estimativa da degradação do óleo lubrificante em motores diesel de locomotivas a partir de parâmetros físico-químicos utilizando redes neurais artificiais

Abstract

RESUMO: Nas locomotivas diesel-elétricas, motores a diesel são empregados como fonte de energia para tração de cargas ao longo das ferrovias. Esse sistema de propulsão contribui para a eficiência do transporte ferroviário, uma vez que apresenta o consumo de combustível menor em comparação a outros meios de transporte de carga. Neste cenário, é importante monitorar a degradação físico-química dos óleos lubrificantes usados nesses motores para garantir a extensão da vida útil e proteção contra o desgaste desse sistema mecânico. O objetivo deste estudo consiste em estimar o momento em que será necessário realizar a substituição do óleo lubrificante utilizado nos motores diesel das locomotivas por meio da implementação de duas redes neurais artificiais, uma recorrente com arquitetura LSTM e outra multilayer perceptron (MLP), para identificar padrões na degradação dos parâmetros físico-químicos dos lubrificantes. Foram exploradas diversas configurações de rede, incluindo variações no número de camadas ocultas, neurônios e épocas de treinamento. Para a LSTM, também foram exploradas diferentes tamanhos de janelas de memória. Os dados de treinamento e teste incluíram parâmetros como viscosidade, TBN e insolúveis dos óleos lubrificantes, bem como o consumo médio de combustível e a quantidade de combustível restante que o motor consumiu antes do esgotamento da vida do óleo, com base nas características deste. Esses dados foram obtidos por meio de análises laboratoriais e registros de uma mineradora global com sede no Brasil. A avaliação da acurácia das redes foi realizada usando o coeficiente de determinação (R2) e a porcentagem da raiz quadrada do erro médio quadrático (RMSE%) dos dados previstos em relação à média dos dados reais. A melhor configuração da rede neural LSTM atingiu um erro de 17,04% e um R2 de 93,85%, enquanto nas redes MLP, o menor erro obtido foi de 36,20%, e o maior R2 foi de 68,66%. Os resultados obtidos pelas redes recorrentes com LSTM destacam a eficácia da aplicação de redes neurais artificiais para estimar a troca dos lubrificantes, com implicações significativas na manutenção de locomotivas diesel-elétricas e na otimização subsequente de custos.

ABSTRACT: Diesel-electric locomotives employ diesel engines as a source of power for hauling loads along railways. This propulsion system contributes to the efficiency of rail transport, as it exhibits lower fuel consumption compared to other freight transportation means. In this context, monitoring the physicochemical degradation of lubricating oils used in these engines is crucial to ensure the extension of their lifespan and protection against mechanical wear. The objective of this study is to estimate the moment when it will be necessary to replace the lubricating oil used in diesel locomotive engines through the implementation of two artificial neural networks: a recurrent one with LSTM architecture and another multilayer perceptron (MLP). These networks aim to identify patterns in the degradation of physicochemical parameters of lubricants. Various network configurations were explored, including variations in the number of hidden layers, neurons, and training epochs. For LSTM, different memory window sizes were also investigated. Training and testing data included parameters such as viscosity, TBN, and insolubles of lubricating oils, as well as the average fuel consumption and the remaining fuel amount that the engine consumed before the oil reached the end of its life, based on its characteristics. These data were obtained through laboratory analyses and records from a global mining company based in Brazil. The accuracy of the networks was evaluated using the coefficient of determination (R2) and the percentage of the square root of the mean squared error (RMSE%) of the predicted data in relation to the mean of the actual data. The best configuration of the LSTM neural network achieved an error of 17.04% and an R2 of 93.85%, while in MLP networks, the lowest error obtained was 36.20%, and the highest R2 was 68.66%. The results obtained by recurrent networks with LSTM highlight the effectiveness of applying artificial neural networks to estimate lubricant replacement, with significant implications for the maintenance of diesel-electric locomotives and subsequent cost optimization.